2.1 移植开发综述

2.1.1 算法移植流程

​基于Sophon BM168X芯片进行产品开发会经历如下几个阶段：

1. 评测选型：根据应用场景，确定使用的产品形态。

2. 模型迁移：将原始深度学习框架下训练生成的模型转换为BM168x平台运行的FP32 BModel，必要时使用BMLang开发不支持的算子；使用量化集量化生成INT8 BModel，并测试调优确保INT8 BModel精度符合要求（推荐使用4N Batch BModel以获得最佳性能）。

3. 算法移植：基于BM168X硬件加速接口，对模型的前后处理及推理现有算法进行移植。

4. 程序移植：移植任务管理、资源调度等算法引擎代码及逻辑处理、结果展示、数据推送等业务代码。

5. 测试调优：网络性能与精度测试、压力测试，基于网络编译、量化工具、多卡多芯、任务流水线等方面的深度优化。

6. 部署联调：将算法服务打包(如Docker)部署到BM168X硬件产品上，并在实际场景中与业务平台或集成平台进行功能联调；必要时在生产环境中调整参数配置并收集数据进一步优化模型。

在移植工作开始前，请先确保已经按照第一节的内容下载并安装配置好所需环境：

• 主机及硬件环境已经准备好

• SDK及docker基础开发镜像已经下载好

• docker开发镜像已加载完毕

• SDK压缩包已解压好

• 若使用PCIE加速卡，则已安装好驱动，并正常发现设备

2.1.2 典型视频AI分析任务

一个典型的AI视频分析任务pipeline，通常包括：视频源 > 视频解码 > 预处理 > 推理 > 后处理 > 业务逻辑 > 视频/图片编码等环节。Sophon设备对各环节的硬件加速支持情况如下：

算法步骤	支持硬件加速	BM-OpenCV	BM-FFmpeg	Native接口
视频/图片编解码	支持	Y	Y	BMCV（图片）/SAIL
输入预处理	支持	Y	N	BMCV/SAIL
模型推理	支持	N	N	BMRuntime/SAIL
输出后处理	部分支持	N	N	BMCV

• 对于不支持的层或者算子可使用BMLang或者ARM CPU开发，然后融合到BModel中，参考《BMLang》开发手册

• 对于其他需要使用TPU加速的算法可使用基于TPU原子操作接口的TPUKernel(BMKernel/OKKernel)开发

• 算子支持情况和已经测试的模型情况，请参见《NNToolchian用户开发手册》

• 样例代码见github examples仓库，关于使用多线程构建多模型推理任务pipeline，可参考examples/inference目录下的示例代码